L’apprentissage automatique révolutionne notre compréhension des « jets » de particules

Retour

3 août 2023 | Par

Que se passe-t-il lorsque – au lieu d’enregistrer une seule trace de particule ou un dépôt d’énergie dans votre détecteur – vous voyez un ensemble complexe de nombreuses particules, avec de nombreuses traces, qui laisse une grande quantité d’énergie dans vos calorimètres ? Alors félicitations : vous avez enregistré un « jet » !

Les jets sont les signatures expérimentales complexes laissées par des pluies de quarks et de gluons en interaction forte. En étudiant le flux d’énergie interne d’un jet – également connu sous le nom de « sous-structure du jet » – les physiciens peuvent en apprendre davantage sur le type de particule qui l’a créé. Par exemple, plusieurs nouvelles particules supposées pourraient se désintégrer en particules lourdes du modèle standard à des énergies extrêmement élevées (ou « boostées »). Ces particules pourraient ensuite se désintégrer en plusieurs quarks, laissant derrière elles des jets « boostés » à plusieurs volets dans l’expérience ATLAS.

Les physiciens utilisent des « taggers » pour distinguer ces jets des jets de fond créés par des quarks et des gluons uniques. Le type de quarks produits dans le jet peut également fournir des informations supplémentaires sur la particule d'origine. Par exemple, les bosons de Higgs et les quarks top se désintègrent souvent en quarks b – vus dans ATLAS sous le nom de « jets b » – qui peuvent être distingués des autres types de jets grâce à la longue durée de vie du hadron B.

La complexité des avions à réaction se prête naturellement aux algorithmes d’intelligence artificielle (IA), capables de distiller efficacement de grandes quantités d’informations en décisions précises. Les algorithmes d’IA font régulièrement partie de l’analyse des données d’ATLAS depuis plusieurs années, les physiciens d’ATLAS poussant continuellement ces outils vers de nouvelles limites. Cette semaine, les physiciens d'ATLAS ont présenté quatre nouveaux résultats passionnants sur le marquage des jets à l'aide d'algorithmes d'IA lors de la conférence BOOST 2023 qui s'est tenue au Lawrence Berkeley National Lab (États-Unis).

Deux résultats ont présenté de nouveaux marqueurs ATLAS utilisés pour identifier les jets provenant d'une désintégration accélérée du boson W, par opposition aux jets de fond provenant de quarks légers et de gluons. En règle générale, les algorithmes d'IA sont entraînés sur des informations de « haut niveau » sur la sous-structure des jets enregistrées par le détecteur interne et les calorimètres d'ATLAS, telles que la masse du jet, les rapports de corrélation énergétique et les échelles de division des jets. Ces nouvelles études utilisent plutôt des informations de « bas niveau » provenant de ces mêmes détecteurs – telles que les propriétés cinématiques directes des constituants d'un jet ou la nouvelle paramétrisation bidimensionnelle du rayonnement à l'intérieur d'un jet (connu sous le nom d'« avion Lund Jet »), construit à partir des constituants du jet et en utilisant des graphiques basés sur le développement de la gerbe de particules (voir Figure 1).

Ces nouveaux marqueurs ont permis de séparer la forme du signal et de l'arrière-plan bien plus efficacement que n'importe quel marqueur de haut niveau ne pourrait le faire seul (voir Figure 2). En particulier, le tagger basé sur un avion Lund Jet surpasse les autres méthodes, en utilisant la même entrée dans les réseaux d'IA mais dans un format différent inspiré de la physique du développement des douches à jet.

Une évolution similaire a été suivie pour le développement d'un nouveau marqueur de Higgs amplifié, qui identifie les jets provenant de bosons de Higgs amplifiés se désintégrant de manière hadronique en deux quarks b ou c-quarks. Il utilise également des informations de bas niveau – dans ce cas, des traces reconstruites à partir du détecteur interne associé au jet unique contenant les désintégrations du boson de Higgs. Ce nouveau tagger est le tagger le plus performant à ce jour et représente un facteur d'amélioration de 1,6 à 2,5, avec une efficacité du signal Higgs augmentée de 50 %, par rapport à la version précédente du tagger, qui utilisait des informations de haut niveau provenant du jet et b/ Le quark c se désintègre en tant qu'entrée pour un réseau neuronal (voir Figure 3).

Enfin, les chercheurs d'ATLAS ont présenté deux nouveaux marqueurs visant à différencier les jets issus de quarks de ceux issus de gluons. Un marqueur a examiné la multiplicité des constituants de particules chargées des jets marqués, tandis que l'autre a combiné plusieurs variables cinématiques et de sous-structure des jets à l'aide d'un arbre de décision amélioré. Les physiciens ont comparé les performances de ces marqueurs quarks/gluons ; La figure 4 montre le rejet des jets de gluons en fonction de l'efficacité de la sélection des quarks en simulation. Plusieurs études sur les processus du modèle standard – y compris la fusion de bosons vectoriels – et de nouvelles recherches en physique avec des signaux riches en quarks pourraient grandement bénéficier de ces marqueurs. Cependant, pour qu'ils puissent être utilisés dans les analyses, des corrections supplémentaires sur l'efficacité du signal et le rejet de l'arrière-plan doivent être appliquées pour que les performances des marqueurs en données et en simulation soient les mêmes. Les chercheurs ont mesuré à la fois l'efficacité et les taux de rejet dans les données de l'exécution 2 de ces marqueurs et ont trouvé un bon accord entre les données mesurées et les prédictions ; par conséquent, seules de petites corrections sont nécessaires.